1.本技术涉及故障预测技术领域，尤其涉及一种光伏逆变器故障预测方法。
背景技术：2.全球范围的能源危机和环境危机促使光伏系统越来越多的并入电网运行。光伏逆变器是光伏系统中最为核心的部件，关系着整个系统的安全、稳定和高效运行。随着光伏系统容量的不断增加，对光伏逆变器的成本、效率和可靠性要求越来越高。因此，实时监测光伏逆变器的运行状态，实时掌握光伏逆变器的健康状态是非常重要的。但是，现有技术中，只能对光伏逆变器的运行状态进行实时监测，在光伏逆变器发生故障后进行事后维修，无法预测光伏逆变器的健康状态变化。及时准确地预测光伏逆变器故障的发生，有利于建立合理有效的维修计划，减少不必要的断电时间，节省企业的维护费用，确保微电网的安全稳定运行。现有技术中，光伏逆变器的检修通常采用事后维修，检修人员难以实时掌握光伏逆变器的健康状态。
技术实现要素：3.为至少在一定程度上克服相关技术中无法预测光伏逆变器的健康状态变化的问题，本技术提供一种光伏逆变器故障预测方法。
4.本技术的方案如下：一种光伏逆变器故障预测方法，包括：获取光伏逆变器原始监测数据作为样本数据；提取所述样本数据中的特征向量；对所述特征向量进行预处理；将预处理后的特征向量基于预设比例划分为训练集和测试集；基于多种聚类算法对所述训练集进行并行聚类，训练得到光伏逆变器故障预测模型；所述光伏逆变器故障预测模型用于在输入光伏逆变器监测数据时，输出故障预测结果。
5.优选的，在本技术一种可实现的方式中，所述基于多种聚类算法对所述训练集进行并行聚类，包括：基于第一聚类算法对所述训练集进行第一次并行聚类，得到第一聚类中心；将所述第一聚类中心作为第二聚类算法的初始聚类中心，对所述训练集进行第二次并行聚类，得到第二聚类中心。
6.优选的，在本技术一种可实现的方式中，所述第一聚类算法为蚁群算法；所述基于第一聚类算法对所述训练集进行第一次并行聚类，得到第一聚类中心，包括：初始化所述蚁群算法的信息素控制参数、启发因子控制参数、信息素挥发因子和聚类个数；在所述训练集中随机选择多个特征向量作为第一初始聚类中心；所述第一初始聚
类中心为所述第一聚类算法的初始聚类中心；计算各所述第一初始聚类中心之间的欧式距离；初始化各所述第一初始聚类中心之间的信息素及启发因子；根据所述信息素和所述启发因子计算各所述第一初始聚类中心之间的转移概率；基于各所述第一初始聚类中心之间的转移概率，确定各所述第一初始聚类中心作为起始访问中心时生成的访问路径；根据各所述第一初始聚类中心对应的访问路径对所述第一初始聚类中心进行分组；统计各所述第一初始聚类中心之间的路径数目，更新信息素矩阵；计算每组所述第一初始聚类中心的特征向量平均值；将所述特征向量平均值作为下一次循环进行时的第一初始聚类中心；进行循环迭代直至满足预设条件，输出迭代结果，将所述迭代结果作为所述第一聚类中心。
7.优选的，在本技术一种可实现的方式中，所述第二聚类算法为fcm算法；所述将所述第一聚类中心作为第二聚类算法的初始聚类中心，对所述训练集进行第二次并行聚类，得到第二聚类中心，包括：将所述第一聚类中心作为第二初始聚类中心；所述第二初始聚类中心为所述第二聚类算法的初始聚类中心；计算所述训练集中全部特征向量与全部所述第二初始聚类中心之间的欧式距离；将各所述特征向量归入到距离最短的簇中；将处于相同的簇中的特征向量归为一组；计算每组包含的特征向量的平均值；将所述特征向量的平均值作为下一次循环进行时的第二初始聚类中心；进行循环迭代直至满足预设条件，输出迭代结果，将所述迭代结果作为所述第二聚类中心。
8.优选的，在本技术一种可实现的方式中，所述提取所述样本数据中的特征向量，包括：根据所述样本数据构建高维原始特征矩阵；所述高维原始特征矩阵至少包括：光伏逆变器集群中光伏逆变器的个数和每个所述光伏逆变器监测信号的通道数；基于所述高维原始特征向量构建高维空间中的概率分布，计算所述高维空间中任意两个数据点的联合概率；以所述数据点在低维空间中服从预设分布为基准，计算所述低维空间中任意两个数据点的联合概率；通过于kl散度表征所述数据点在所述高维空间和所述低维空间分布的相似性；对所述kl散度进行降维，将降维后的kl散度的低维空间映射结果作为所述特征向量。
9.优选的，在本技术一种可实现的方式中所述对所述特征向量进行预处理，包括：对所述特征向量进行归一化处理。
10.优选的，在本技术一种可实现的方式中，所述方法还包括：
基于所述测试集对所述光伏逆变器故障预测模型进行测试验证。
11.优选的，在本技术一种可实现的方式中，所述基于多种聚类算法对所述训练集进行并行聚类，包括：基于大数据平台通过多种聚类算法对所述训练集进行并行聚类。
12.本技术提供的技术方案可以包括以下有益效果：本技术中的光伏逆变器故障预测方法，包括：获取光伏逆变器原始监测数据作为样本数据，提取样本数据中的特征向量，对特征向量进行预处理。将预处理后的特征向量基于预设比例划分为训练集和测试集，基于多种聚类算法对训练集进行并行聚类，训练得到光伏逆变器故障预测模型。由于本技术中基于多种聚类算法对训练集进行并行聚类，不仅聚类效果更好，还通过并行化计算极大地提高了预测效率。本技术中的光伏逆变器故障预测模型在输入光伏逆变器监测数据时，输出故障预测结果，能够对光伏逆变器的健康状态进行有效监测。
13.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
14.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
15.图1是本技术一个实施例提供的一种光伏逆变器故障预测方法的流程示意图；图2是本技术一个实施例提供的一种光伏逆变器故障预测方法中第一聚类算法的流程示意图；图3是本技术一个实施例提供的一种光伏逆变器故障预测方法中第二聚类算法的流程示意图。
具体实施方式
16.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
17.一种光伏逆变器故障预测方法，参照图1，包括：s11：获取光伏逆变器原始监测数据作为样本数据；光伏逆变器集群中，每台光伏逆变器的原始监测数据包含：逆变器的输出功率、三相电流、三相电压、线电压、绝缘栅双极型晶体管温度、每一路太阳电池串的直流输入功率、直流电流、直流电压等。
18.s12：提取样本数据中的特征向量；包括：根据样本数据构建高维原始特征矩阵；高维原始特征矩阵至少包括：光伏逆变器集群中光伏逆变器的个数和每个光伏逆变器监测信号的通道数；基于高维原始特征向量构建高维空间中的概率分布，计算高维空间中任意两个数据点的联合概率；以数据点在低维空间中服从预设分布为基准，计算低维空间中任意两个数据点的
联合概率；通过于kl散度表征数据点在高维空间和低维空间分布的相似性；对kl散度进行降维，将降维后的kl散度的低维空间映射结果作为特征向量。
19.高维原始特征矩阵如下：其中，m为光伏逆变器集群中光伏逆变器的个数，n为每个光伏逆变器监测信号的通道数。
20.s13：对特征向量进行预处理；本实施例中，为了提高光伏逆变器故障预测模型的训练速度，采用t-sne降维算法将光伏逆变器集群的特征向量进行归一化处理。
21.s14：将预处理后的特征向量基于预设比例划分为训练集和测试集；s15：基于多种聚类算法对训练集进行并行聚类，训练得到光伏逆变器故障预测模型；光伏逆变器故障预测模型用于在输入光伏逆变器监测数据时，输出故障预测结果。
22.本实施例中，基于多种聚类算法对训练集进行并行聚类，训练得到光伏逆变器故障预测模型，将多种聚类算法有机结合，可有效避免算法陷入局部最优解，增加了算法的实用性，减少计算量，缩短计算时间。
23.优选的，本实施例中采用基于内存的并行计算框架spark大数据平台对多种聚类算法进行并行化计算，以此来提高故障预测效率。
24.进一步的，本实施例中还基于测试集对光伏逆变器故障预测模型进行测试验证，在测试验证通过时，将光伏逆变器故障预测模型进行上线投入使用。
25.本实施例中的光伏逆变器故障预测方法，包括：获取光伏逆变器原始监测数据作为样本数据，提取样本数据中的特征向量，对特征向量进行预处理。将预处理后的特征向量基于预设比例划分为训练集和测试集，基于多种聚类算法对训练集进行并行聚类，训练得到光伏逆变器故障预测模型。由于本实施例中基于多种聚类算法对训练集进行并行聚类，不仅聚类效果更好，还通过并行化计算极大地提高了预测效率。本实施例中的光伏逆变器故障预测模型在输入光伏逆变器监测数据时，输出故障预测结果，能够对光伏逆变器的健康状态进行有效监测。
26.一些实施例中的光伏逆变器故障预测方法，基于多种聚类算法对训练集进行并行聚类，包括：基于第一聚类算法对训练集进行第一次并行聚类，得到第一聚类中心；将第一聚类中心作为第二聚类算法的初始聚类中心，对训练集进行第二次并行聚类，得到第二聚类中心。
27.优选的，第一聚类算法为蚁群算法；基于第一聚类算法对训练集进行第一次并行聚类，得到第一聚类中心，参照图2，包括：s201：初始化蚁群算法的信息素控制参数、启发因子控制参数、信息素挥发因子和聚类个数；s202：在训练集中随机选择多个特征向量作为第一初始聚类中心；第一初始聚类
中心为第一聚类算法的初始聚类中心；s203：计算各第一初始聚类中心之间的欧式距离；s204：初始化各第一初始聚类中心之间的信息素及启发因子；s205：根据信息素和启发因子计算各第一初始聚类中心之间的转移概率；s206：基于各第一初始聚类中心之间的转移概率，确定各第一初始聚类中心作为起始访问中心时生成的访问路径；本实施例中，先在第一初始聚类中心中随机选择一个作为初始访问聚类中心，根据其与第一初始聚类中心的最大转移概率选择下一个要访问的第一初始聚类中心，将访问过的聚类中心序号存入访问列表中，直到访问完所有第一初始聚类中心，初始访问聚类中心访问完所有的第一初始聚类中心后回到起点形成一条访问路径。
28.重复执行上述流程得到各第一初始聚类中心作为起始访问中心时生成的访问路径。
29.s207：根据各第一初始聚类中心对应的访问路径对第一初始聚类中心进行分组；s208：统计各第一初始聚类中心之间的路径数目，更新信息素矩阵；本实施例中，计算任意两个第一初始聚类中心之间的路径数目，然后根据各第一初始聚类中心之间的路径数目，更新信息素矩阵。
30.s209：计算每组第一初始聚类中心的特征向量平均值；s210：将特征向量平均值作为下一次循环进行时的第一初始聚类中心；s211：进行循环迭代直至满足预设条件，输出迭代结果，将迭代结果作为第一聚类中心。
31.本实施例中的预设条件可以为迭代次数大于1000 或者迭代次数大于50且收敛方案重复次数大于20，具体预设条件可以根据实际情况进行调整。
32.优选的，第二聚类算法为fcm算法；将第一聚类中心作为第二聚类算法的初始聚类中心，对训练集进行第二次并行聚类，得到第二聚类中心，参照图3，包括：s301：将第一聚类中心作为第二初始聚类中心；第二初始聚类中心为第二聚类算法的初始聚类中心；s302：计算训练集中全部特征向量与全部第二初始聚类中心之间的欧式距离；s303：将各特征向量归入到距离最短的簇中；s304：将处于相同的簇中的特征向量归为一组；fcm算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间的相似度最大，而不同簇之间的相似度最小。
33.本实施例中可以根据隶属度函数对特征向量进行归组。
34.s305：计算每组包含的特征向量的平均值；s306：将特征向量的平均值作为下一次循环进行时的第二初始聚类中心；s307：进行循环迭代直至满足预设条件，输出迭代结果，将迭代结果作为第二聚类中心。
35.fcm算法的预设条件也可以为是否达到收敛次数或是否达到迭代次数，具体预设条件可以根据实际情况进行调整。
36.本实施例中，首先采用蚁群算法得到第一聚类中心，然后以第一聚类中心为fcm聚类算法的初始聚类中心继续进行聚类，并且两种算法均采用spark大数据平台进行并行化计算，从而极大提高故障预测效率。
37.可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
38.需要说明的是，在本技术的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是指至少两个。
39.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
40.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
41.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
42.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
43.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
44.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
45.尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：1.一种光伏逆变器故障预测方法，其特征在于，包括：获取光伏逆变器原始监测数据作为样本数据；提取所述样本数据中的特征向量；对所述特征向量进行预处理；将预处理后的特征向量基于预设比例划分为训练集和测试集；基于多种聚类算法对所述训练集进行并行聚类，训练得到光伏逆变器故障预测模型；所述光伏逆变器故障预测模型用于在输入光伏逆变器监测数据时，输出故障预测结果。2.根据权利要求1所述的方法，其特征在于，所述基于多种聚类算法对所述训练集进行并行聚类，包括：基于第一聚类算法对所述训练集进行第一次并行聚类，得到第一聚类中心；将所述第一聚类中心作为第二聚类算法的初始聚类中心，对所述训练集进行第二次并行聚类，得到第二聚类中心。3.根据权利要求2所述的方法，其特征在于，所述第一聚类算法为蚁群算法；所述基于第一聚类算法对所述训练集进行第一次并行聚类，得到第一聚类中心，包括：初始化所述蚁群算法的信息素控制参数、启发因子控制参数、信息素挥发因子和聚类个数；在所述训练集中随机选择多个特征向量作为第一初始聚类中心；所述第一初始聚类中心为所述第一聚类算法的初始聚类中心；计算各所述第一初始聚类中心之间的欧式距离；初始化各所述第一初始聚类中心之间的信息素及启发因子；根据所述信息素和所述启发因子计算各所述第一初始聚类中心之间的转移概率；基于各所述第一初始聚类中心之间的转移概率，确定各所述第一初始聚类中心作为起始访问中心时生成的访问路径；根据各所述第一初始聚类中心对应的访问路径对所述第一初始聚类中心进行分组；统计各所述第一初始聚类中心之间的路径数目，更新信息素矩阵；计算每组所述第一初始聚类中心的特征向量平均值；将所述特征向量平均值作为下一次循环进行时的第一初始聚类中心；进行循环迭代直至满足预设条件，输出迭代结果，将所述迭代结果作为所述第一聚类中心。4.根据权利要求2所述的方法，其特征在于，所述第二聚类算法为fcm算法；所述将所述第一聚类中心作为第二聚类算法的初始聚类中心，对所述训练集进行第二次并行聚类，得到第二聚类中心，包括：将所述第一聚类中心作为第二初始聚类中心；所述第二初始聚类中心为所述第二聚类算法的初始聚类中心；计算所述训练集中全部特征向量与全部所述第二初始聚类中心之间的欧式距离；将各所述特征向量归入到距离最短的簇中；将处于相同的簇中的特征向量归为一组；计算每组包含的特征向量的平均值；将所述特征向量的平均值作为下一次循环进行时的第二初始聚类中心；
进行循环迭代直至满足预设条件，输出迭代结果，将所述迭代结果作为所述第二聚类中心。5.根据权利要求1所述的方法，其特征在于，所述提取所述样本数据中的特征向量，包括：根据所述样本数据构建高维原始特征矩阵；所述高维原始特征矩阵至少包括：光伏逆变器集群中光伏逆变器的个数和每个所述光伏逆变器监测信号的通道数；基于所述高维原始特征向量构建高维空间中的概率分布，计算所述高维空间中任意两个数据点的联合概率；以所述数据点在低维空间中服从预设分布为基准，计算所述低维空间中任意两个数据点的联合概率；通过于kl散度表征所述数据点在所述高维空间和所述低维空间分布的相似性；对所述kl散度进行降维，将降维后的kl散度的低维空间映射结果作为所述特征向量。6.根据权利要求1所述的方法，其特征在于，所述对所述特征向量进行预处理，包括：对所述特征向量进行归一化处理。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述测试集对所述光伏逆变器故障预测模型进行测试验证。8.根据权利要求1所述的方法，其特征在于，所述基于多种聚类算法对所述训练集进行并行聚类，包括：基于大数据平台通过多种聚类算法对所述训练集进行并行聚类。
技术总结本申请涉及一种光伏逆变器故障预测方法，包括：获取光伏逆变器原始监测数据作为样本数据，提取样本数据中的特征向量，对特征向量进行预处理。将预处理后的特征向量基于预设比例划分为训练集和测试集，基于多种聚类算法对训练集进行并行聚类，训练得到光伏逆变器故障预测模型。由于本申请中基于多种聚类算法对训练集进行并行聚类，不仅聚类效果更好，还通过并行化计算极大地提高了预测效率。本申请中的光伏逆变器故障预测模型在输入光伏逆变器监测数据时，输出故障预测结果，能够对光伏逆变器的健康状态进行有效监测。的健康状态进行有效监测。的健康状态进行有效监测。
技术研发人员：杨会轩 苏明 李欣 刘金会
受保护的技术使用者：山东华科信息技术有限公司 北京华清智汇能源技术有限公司
技术研发日：2022.05.23
技术公布日：2022/7/5
